多序列比對與clustal的使用

1、多序列比對與Clustal的使用，以及各類常見的序列分析工具介紹,中山大學(xué)生科院2004年10月,內(nèi)容提要,第一部分：多序列比對意義、方法、算法Clustal的使用 1.Clustalx 2.Clustalw第二部分：常見的序列分析軟件分類簡介,第一部分：多序列比對及Clustal的使用,序列相似性比較和序列同源性分析,序列相似性比較： 就是將待研究序列與DNA或蛋白質(zhì)序列庫進行比較，用于確定該序列的生物屬性

2、，也就是找出與此序列相似的已知序列是什么。完成這一工作只需要使用兩兩序列比較算法。常用的程序包有BLAST、FASTA等；序列同源性分析： 是將待研究序列加入到一組與之同源，但來自不同物種的序列中進行多序列同時比較，以確定該序列與其它序列間的同源性大小。這是理論分析方法中最關(guān)鍵的一步。完成這一工作必須使用多序列比較算法。常用的程序包有CLUSTAL等；,多序列比對的意義,用于描述一組序列之間的相似性關(guān)系，以便了解一個基因家族

3、的基本特征，尋找motif，保守區(qū)域等。用于描述一個同源基因之間的親緣關(guān)系的遠近，應(yīng)用到分子進化分析中。其他應(yīng)用，如構(gòu)建profile，打分矩陣等。,同源性分析中常常要通過多序列比對來找出序列之間的相互關(guān)系，和blast的局部匹配搜索不同，多序列比對大多都是采用全局比對的算法。這樣對于采用計算機程序的自動多序列比對是一個非常復(fù)雜且耗時的過程，特別是序列數(shù)目多，且序列長的情況下。,多序列比對的方法,多序列比對的方法,基本上多序列比對可

4、以分為 1.手工比對（輔助編輯軟件如bioedit，seaview，Genedoc等） 通過輔助軟件的不同顏色顯示不同殘基，靠分析者的觀察來改變比對的狀態(tài)。 2.計算機程序自動比對 通過特定的算法（如同步法，漸進法等），由計算機程序自動搜索最佳的多序列比對狀態(tài)。,自動多序列比對的算法,1.同步法 將序列兩兩比對時的二維動態(tài)規(guī)劃矩陣擴展到三維矩陣。即用矩陣的維數(shù)來反映比對的序列數(shù)目。這種方法的計算量很大，對

5、于計算機系統(tǒng)的資源要求比較高，一般只有在進行少數(shù)的較短的序列的比對的時候才會用到這個方法。,自動多序列比對的算法,2.步進法 最常見的就是clustal所采用的方法。 其基本思想就是基于相似序列通常具有進化相關(guān)性的這一假設(shè)。,Clustal的漸進比對過程,在比對過程中，先對所有的序列進行兩兩比對并計算它們相似性分值，然后根據(jù)相似性分值將它們分成若干組，并在每組之間進行比對，計算相似性分值。根據(jù)相似性分值繼

6、續(xù)分組比對，直到得到最終比對結(jié)果。在比對過程中，相似性程度較高的序列先進行比對而距離較遠的序列添加在后面。,多序列比對工具－clustal,Clustal是一個單機版的基于漸進比對的多序列比對工具，由Higgins D.G. 等開發(fā)。有應(yīng)用于多種操作系統(tǒng)平臺的版本，包括linux版，DOS版的clustlw，clustalx等。,,Clustal簡介,CLUSTAL是一種漸進的比對方法，先將多個序列兩兩比對構(gòu)建距離矩陣，反應(yīng)序列之間兩

7、兩關(guān)系；然后根據(jù)距離矩陣計算產(chǎn)生系統(tǒng)進化指導(dǎo)樹，對關(guān)系密切的序列進行加權(quán)；然后從最緊密的兩條序列開始，逐步引入臨近的序列并不斷重新構(gòu)建比對，直到所有序列都被加入為止。,Clustalx的工作界面（多序列比對模式）,Clustalx的工作界面（剖面(profile)比對模式）,Clustal的工作原理,Clustal輸入多個序列,,快速的序列兩兩比對，計算序列間的距離，獲得一個距離矩陣。,,鄰接法(NJ)構(gòu)建一個樹（引導(dǎo)樹）,根據(jù)引導(dǎo)

8、樹，漸進比對多個序列。,,Clustal的應(yīng)用,1.輸入輸出格式。輸入序列的格式比較靈活，可以是前面介紹過的FASTA格式，還可以是PIR、SWISS-PROT、GDE、Clustal、GCG/MSF、RSF等格式。輸出格式也可以選擇，有ALN、GCG、PHYLIP和NEXUS等，用戶可以根據(jù)自己的需要選擇合適的輸出格式。,2.兩種工作模式。 a.多序列比對模式。 b.剖面(profile)比對模式。3.一個實際的例

9、子。,Clustal的應(yīng)用,多序列比對實例,輸入文件的格式(fasta)：>KCC2_YEAST NYIFGRTLGAGSFGVVRQARKLSTN……>DMK_HUMAN DFEILKVIGRGAFSEVAVVKMKQTGQVYAMKIMNK…….>KPRO_MAIZE TRKFKVELGRGESGTVYKGVLEDDRHVAVKKLEN……>DAF1_CAEELQIRLTGRVGSGRFGN

10、VSRGDYRGEAVAVKVFNALD……>1CSN HYKVGRRIGEGSFGVIFEGTNLLNN……,第一步：輸入序列文件。,第二步：設(shè)定比對的一些參數(shù)。,參數(shù)設(shè)定窗口。,第三步：開始序列比對。,第四步：比對完成，選擇保存結(jié)果文件的格式,Clustalw的使用(一),Clustalw還提供了命令調(diào)用形式的使用方式，方便于批處理過程，下面是一個典型的執(zhí)行多序列比對的clustalw命令：$ ./clustalw –

11、infile=dna.fa –type=dna –gapopen=10 –gapext=2 –output=gcg –outfile=align.gcg -align,Clustalw的使用(二),在線的clustalw分析,EBI提供的在線clustalw服務(wù)http://www.ebi.ac.uk/clustalw/,,EBI提供的在線Clustalw服務(wù),更為詳細的教程,可以在這里得到更多關(guān)于clustal的幫助：htt

12、p://www-igbmc.u-strasbg.fr/BioInfo/ClustalX/Top.html,實際操作(練習(xí)),使用clustalx程序，對給定的多序列，選擇合適的參數(shù)，進行多序列比對，輸出結(jié)果文件維phylip格式。相同的文件，使用ebi和我們提供的在線服務(wù)，進行多序列比對。對上述計算機程序比對的結(jié)果進行手工改動（bioedit，seaview），使得多序列比對結(jié)果跟符合要求。,>SIV MSMSSSNITSG

13、FIDIATFDEIEKYMYGGPTATAYFVREIRKSTWFTQVPVPLSRNTGNAAFGQEWSVSISRAGDYLLQTWLRVNIPPVTLSGLLGNTYSLRWTKNLMHNLIREATITFNDLVAARFDNYHLDFWSAFTVPASKRNGYDNMIGNVSSLINPVAPGGTLGSVGGINLNLPLPFFFSRDTGVALPTAALPYNEMQINFNFRDWHELLILTNSALVPPASSY

14、VSIVVGTHISAAPVLGPVQVWANYAIVSNEERRRMGCAIRDILIEQVQTAPRQNYVPLTNASPTFDIRFSHAIKALFFAVRNKTSAAEWSNYATSSPVVTGATVNYEPTGSFDPIANTTLIYENTNRLGAMGSDYFSLINPFYHAPTIPSFIGYHLYSYSLHFYDLDPMGSTNYGKLTNVFVVPAASSAAISAAGGTGGQAGSDYAQSYEFVIVAVN

15、NNIVRIENSLVRNRRRWSREGPMVMVC>TIV MSMSSSNITSGFIDIATFDEIEKYMYGGPTATAYFVREIRKSTWFTQVPVPLSRNTGNAAFGQEWSVSISRAGDYLLQTWLRVNIPPVTLSGLLGNTYSLRWTKNLMHNLIREATITFNDLVAARFDNYHLDFWSAFTVPASKRNGYDNMIGNVSSLINPVAPGGTLGSVGGINLNLPLPF

16、FFSRDTGVALPTAALPYNEMQINFNFRDWHELLILTNSALVPPASPYVPIVVGTHISAAPVLGPVQVWANYAIVSNEERRRMGCAIRDILIEQVQTAPRQNYVPLTNASPTFDIRFSHAIKALFFAVRNKTSAAEWSNYATSSPVVTGATVNYEPTGSFDPIANTTLIYENTNRLGAMGSDYFSLINPFYHAPTIPSFIGYHLYSYSLHFYDLDPMG

17、STNYGKLTNVSVVPQASPAAIAAAGGTGGQAGSDYPQNYEFVILAVNNNIVRISGGETPQNYIAVC>WIV MSMSSSNITSGFIDIATFDEIEKYMYGGPTATAYFVREIRKSTWFTQVPVPLSRNTGNAAFGQEWSVSISRAGDYLLQTWLRVNIPQVTLNPLLAATFSLRWTRNLMHNLIREATITFNDLVAARFDNYHLDFWSAFTVPA

18、SKRTGYDNMIGNVSSLINPVAPGGNLGSTGGTNLNLPLPFFFSRDTGVALPTAALPYNEMQINFNFRDWTELLVLQNSALVAPASPYVPIVVPTHLTVAPVLGPVQVWANYAIVSNEERRRMGCAIRDILIEQVQTAPRQNYTPLTNASPTFDIRFSHAIKALFFSVRNKTSASEWSNYATSSPVVTGATVNFEPTGSFDPIANTTLIYENTNRLGA

19、MGSDYFSLINPFYHAPTIPSFIGYHLYSYSLHFYDLDPMGSTNYGKLTNVSVVPQASPAAVNAASGAGGFPGSDYPQSYEFVIVAVNNNIVRISGGETPQNYLSGSFVTLLNRRKWSREGPMIMVQ>CzIV MSMSSSNITSGFIDIATFDEIEKYMYGGPTATAYFVREIRKSTWFTQVPVPLSRNTGNAAFGQEWSVSISRAGDYLLQTWL

20、RVNIPQVTLNAQLGPTFGLRWTRNFMHNLIREATITFNDLVAARFDNYHLDFWSAFTVPASKKIGYDNMIGNISALTNPVAPGGSLGSVGGINLNLPLPFFFSRDTGVALPTAALPYNEMQINFNFRDWPELLILTNTALVPPASPYVPIVVGTHLSAAPVLGAVQVWANYAIVSNEERRRMGCAIRDILIEQVQTAPRQNYTPLTNAMPTFDIRFS

21、HAIKALFFSVRNKTSSAEWSNYATSSPVVTGQLVNYEPPGAFDPISNTTLIYENTNRLGAMGSDYFSLINPFYHAPTIPSSIGYHLYSYSLHFFDLDPMGSTNYGKLTNVSVVPQASPAAVTAAGGSGAAGSGADYAQSYEFVIIGVNNNIIRISGGALGFPVL>CIV MSISSSNVTSGFIDIATKDEIEKYMYGGKTSTAYFVRETRKATW

22、FTQVPVSLTRANGSANFGSEWSASISRAGDYLLYTWLRVRIPSVTLLSTNQFGANGRIRWCRNFMHNLIRECSITFNDLVAARFDHYHLDFWAAFTTPASKAVGYDNMIGNVSALIQPQPVPVAPATVSLPEADLNLPLPFFFSRDSGVALPTAALPYNEMRINFQFHDWQRLLILDNIAAVASQTVVPVVGATSDIATAPVLHHGTVWGNYAIVSN

23、EERRRMGCSVRDILVEQVQTAPRHVWNPTTNDAPNYDIRFSHAIKALFFAVRNTTFSNQPSNYTTASPVITSTTVILEPSTGAFDPIHHTTLIYENTNRLNHMGSDYFSLVNPWYHAPTIPGLTGFHEYSYSLAFNEIDPMGSTNYGKLTNISIVPTASPAAKVGAAGTGPAGSGQNFPQTFEFIVTALNNNIIRISGGALGFPVL,練習(xí)序列,第二部分：

24、常見的序列分析軟件分類簡介,GCGEMBOSS(免費)Vector NTIDNAstarBioedit(免費)其他,1.綜合序列分析軟件包,,GCG(商業(yè)軟件),GCG (Genetics Computer Group)是生物信息界最廣為人知的分子序列分析軟件包，最早是在美國的威斯康辛大學(xué)麥迪遜校區(qū)(University of Wisconsin-Madison)內(nèi)發(fā)展起來的，后來獨立成為一個商業(yè)公司，期間曾經(jīng)是Oxford

25、 Molecular 的分支機構(gòu),在2000 年又由Pharmacopeia 所并構(gòu)。,GCG 軟件包包括了超過130個獨立的序列分析程序，大致上可以分成以下12個類別： 1. Sequence Comparison 2. Database Searching and Retrieval 3.DNA/RNA Secondary Structure Prediction 4.Editing and Pub

26、lication 5.Evolutionary Analysis 6.Fragment Assembly 7.Gene Finding and Pattern Recognition 8.Importing and Exporting 9.Mapping 10.Primer Selection 11.Protein Analysis 12.Translation,除了分析程序以外

27、， GCG 同時也提供多種生物學(xué)數(shù)據(jù)庫。核酸相關(guān)的:GenBank(http://www.ncbi.nlm.nih.gov/ ) EMBL (http://www.ebi.ac.uk/) 蛋白質(zhì)相關(guān)的： SWISS-PROT (http://www.expasy.ch/sprot/) PIR (http://www-nbrf.georgetown.edu/pir/) SP-TrEMBL (h

28、ttp://www.expasy.ch/sprot/ ) 使用者可以輸入自己實驗獲得的分子序列， 或者從這些數(shù)據(jù)庫中來獲取得到分子序列，再用到GCG的分析程序進行分析。,GCG的工作方式(S-C) 安裝在基于Unix系統(tǒng)的服務(wù)器上，目前可以安裝的平臺(platform)有SGI 的IRIX 操作系統(tǒng)，SUN 的Solaris操作系統(tǒng)，及Compaq 的Tru64操作系統(tǒng)，用戶可以通過網(wǎng)絡(luò)連接的方法來使用GCG提

29、供的分析程序以及數(shù)據(jù)庫。,1.傳統(tǒng)的命令行形式，這種情況要求用戶熟悉程序的命令。2.借助SeqLab的用戶窗口界面，通過各類表單的操作來實現(xiàn)分析任務(wù)。以上兩個執(zhí)行GCG的方法都是通過telnet來實現(xiàn)的。3. 借助于WWW服務(wù)的SeqWeb，是最為簡單和方便的使用方式。 雖然命令行的操作需要一些操作，但是對于熟悉GCG的用戶來說，卻是最為快捷和有效的方法，此外這種方法還可以擴展到批處理中。,,執(zhí)行

30、GCG程序的方法,EMBOSS(免費軟件),EMBOSS（European Molecular Biology Open Software Suite）源于1988年的EGCG（主流商業(yè)軟件GCG的擴展），由于版權(quán)等原因，EGCG不再發(fā)行，開發(fā)人員在此基礎(chǔ)上開發(fā)出來公開源代碼的EMBOSS軟件包。http://www.sanger.ac.uk/Software/EMBOSS,,Vector NTI,由Informax公司（現(xiàn)在已經(jīng)歸

31、入Invitrogen公司旗下）開發(fā)的一種高度集成、功能齊全的分子生物學(xué)應(yīng)用軟件，可以對DNA、蛋白質(zhì)分子進行大量分析和操作。,主要功能：1.DNA序列的ORF、Motif、功能區(qū)搜索，限制酶圖譜，蛋白質(zhì)翻譯。2.PCR引物、測序引物、雜交探針的設(shè)計和評價。3.DNA測序片斷的拼接4.同源比較和系統(tǒng)發(fā)育樹構(gòu)建5.蛋白質(zhì)結(jié)構(gòu)預(yù)測：三維結(jié)構(gòu)、化學(xué)鍵、翻譯后修飾位點、結(jié)構(gòu)域等6.模擬電泳：瓊脂糖、PAGE,,DNAstar,DNA

32、STAR有限公司開發(fā)了Lasergen程序組,可在計算機上進行DNA和蛋白分析。它們是易于使用且對用戶友好的軟件,可進行分子生物學(xué)中的小規(guī)模序列分析和多序列比較。Lasergen有PC Windows和Macintosh兩種版本。Lasergen的一個主要功能是它有針對不同應(yīng)用的7種程序。用戶可根據(jù)自己需要選擇購買。,主要功能：1. Editseq，可以從鍵盤、數(shù)據(jù)庫或數(shù)字序列輸入和編輯。2. PrimerSelect，PCR引物和

33、探針設(shè)計。3. MapDraw，限制性位點分析和圖譜繪制。 4. MegAlign，多個和成對蛋白或DNA序列比對。5. GeneMan，生物數(shù)據(jù)庫和數(shù)據(jù)庫檢索。 6. Protean，蛋白結(jié)構(gòu)分析。7. SeqMan，序列裝配和毗連(序列)群管理。,,Bioedit,是一個性能優(yōu)良的免費的分子生物學(xué)應(yīng)用軟件，可以對核酸序列和蛋白質(zhì)序列進行常規(guī)的分析操作，并提供了很多網(wǎng)絡(luò)程序的分析界面和接口。 http://www

34、.mbio.ncsu.edu/BioEdit/bioedit.html,,2.快速同源性數(shù)據(jù)庫搜索工具,BlastFastaHMMer,,HMMER,HMMer 是一個采用隱馬可夫模型 HMMs（Hidden Markov Models）來識別不同基因之間的結(jié)構(gòu)相似性程度的工具?？梢钥焖俚脑跀?shù)據(jù)庫中尋找與特定基因具有一定相似性的基因結(jié)構(gòu)。http://hmmer.wustl.edu/,,3.多序列比對工具,Clustal基

35、于漸進算法的多序列比對優(yōu)化算法，由Higgins D.G. 等開發(fā)。Clustlw，clustalx等。其他：T_coffee,PHYLIPPAUP*其他：Mega2，MrBayes，tree-puzzle PAML，treeview,4.分子進化分析工具,,PHYLIP,Phylip是一個免費的系統(tǒng)發(fā)生(phylogenetics)分析軟件包。 由華盛頓大學(xué)遺傳學(xué)系開發(fā)，1980年首次公布，目前的版本是3

36、.6。包含了35個獨立的程序，這些獨立的程序都實現(xiàn)特定的功能，這些程序基本上包括了系統(tǒng)發(fā)生分析的所有方面。 Phylip有多種不同平臺的版本（包括windows，Macintosh，DOS，Linux，Unix和OpenVMX）。http://evolution.genetics,washington.edu/phylip.html,,PAUP*,最早是在蘋果機上開發(fā)的具有菜單界面的進化分析軟件，早先版本只有MP法，后續(xù)

37、版本已經(jīng)包括距離法和ML法，現(xiàn)今有mac，win，linux等多種版本，該軟件不是免費軟件，使用者需要向開發(fā)者購買。,,5.其他工具,模式識別：Meme，signalscan， domainFinder等測序分析與序列拼接：Chromas，Phred+Phrap+cross_match+consed, contigExpress等引物設(shè)計：Oligo，Primer3，Primer Premier5.0等三

38、維分子：PDBviewer，CN3D,RASMOL等,序列分析工具的網(wǎng)絡(luò)資源,生物軟件網(wǎng)http://www.bio-soft.netNCBIhttp://www.ncbi.nlm.nih.govExpasyhttp://www.expasy.org/,,,,,生物軟件網(wǎng),由華北制藥集團的談杰創(chuàng)建，是一個具有豐富生物信息學(xué)資源的站點，提供了大量的生物信息學(xué)分析軟件下載。http://www.bio-soft.net,,NC

39、BI,美國國立生物技術(shù)信息中心（NCBI） 成立于1988年11月4日。是在NIH的國立醫(yī)學(xué)圖書館（NLM）的一個分支。NLM是因為它在創(chuàng)立和維護生物信息學(xué)數(shù)據(jù)庫方面的經(jīng)驗被選擇的，而且這可以建立一個內(nèi)部的關(guān)于計算分子生物學(xué)的研究計劃。NCBI的任務(wù)是發(fā)展新的信息學(xué)技術(shù)來幫助對那些控制健康和疾病的基本分子和遺傳過程的理解。 主要資源包括：數(shù)據(jù)庫和軟件，以及相關(guān)的教育和培訓(xùn)資源,,http://www.ncbi.nlm.nih

40、.gov,Expasy,由位于瑞士日內(nèi)瓦的 Swiss Institute of Bioinformatics 所建立的，是全世界最重要的蛋白質(zhì)數(shù)據(jù)庫之一 ，也是 GCG 最主要的蛋白質(zhì)序列來源。 Expasy的主 要 有蛋白質(zhì)序列、結(jié)構(gòu)、2-D PAGE (Two-dimentional polyacrylamide gel electrophoresis ) 等多個數(shù)據(jù)庫 ，還有大量的蛋白質(zhì)序列與結(jié)構(gòu)分析工具以及FTP資源

41、等。 蛋白質(zhì)分析工具主要有蛋白質(zhì)的功能預(yù)測，序列搜索與比對，二級、三級和四級結(jié)構(gòu)的預(yù)測等等。 http://www.expasy.org/,,操作系統(tǒng) Unix（Linux），Windows， Macintosh編程語言：perl，C，php，VB算法：動態(tài)規(guī)劃，啟發(fā)式，各類模型數(shù)據(jù)結(jié)構(gòu)：表，棧，樹，圖數(shù)據(jù)庫Mysql，Oracle，SQL server，Sybase網(wǎng)絡(luò)局域網(wǎng)構(gòu)架與管理，并行

42、化，網(wǎng)絡(luò)應(yīng)用（http，ftp，telnet）,計算機相關(guān)知識,Linux：是一個免費的可以在PC機上運行的UNIX系統(tǒng)．Linux系統(tǒng)具有最新UNIX的全部功能，包括真正的多任務(wù)，虛擬存儲，共享庫函數(shù)，即時負載，優(yōu)越的存儲管理和TCP/IP，UUCP網(wǎng)絡(luò)工具。Linux由于其系統(tǒng)軟件的免費獲取，硬件費用低廉的特點，近年來發(fā)展迅猛。 常見的Linux發(fā)行版有RedHat，Debian，Mandrake，SuSe等,,Per

43、l強大的正則表達式(regular expression)以及字符串操作使這個工作變得簡單而沒有其它語言能相比。Perl 非常擅長于切割，扭轉(zhuǎn)，絞，弄平，總結(jié)，以及其它的操作文字文件。生物資料大部分是以文字文件存在的，如物種名稱，種屬關(guān)系，基因或序列的注解，評住，目錄查閱, 就連DNA和蛋白質(zhì)序列本身也是以文字形式出現(xiàn)的。正是因為這樣，在生物資料處理的時候最多涉及的也是字符操作問題。各種不同格式的生物信息資料之間的相互轉(zhuǎn)換是一個很

44、難解決的問題，而perl由于具有方便和強大的字符操作功能，使得它在這方面具有特殊的用途。,,MySQL是一個免費的、多用戶、多線程的小型SQL數(shù)據(jù)庫，是一個客戶機/服務(wù)器結(jié)構(gòu)的應(yīng)用，可以運行在多種平臺上，它由一個服務(wù)器守護程序mysqld和很多不同的客戶程序和庫組成。MySQL具有快速、多線程、多用戶和穩(wěn)定等特點，對于中、小型應(yīng)用系統(tǒng)是非常理想的數(shù)據(jù)庫服務(wù)平臺。,,動態(tài)規(guī)劃（dynamic programming ）

45、動態(tài)規(guī)劃的實質(zhì)是分治思想和解決冗余，將問題的實例分解為更小的、相似的子問題。動態(tài)規(guī)劃的思想在于，如果各個子問題不是獨立的，不同的子問題的個數(shù)只是多項式量級，如果我們能夠保存已經(jīng)解決的子問題的答案，而在需要的時候再找出已求得的答案，這樣就可以避免大量的重復(fù)計算。由此而來的基本思路是，用一個表記錄所有已解決的子問題的答案，不管該問題以后是否被用到，只要它被計算過，就將其結(jié)果填入表中。 動態(tài)規(guī)劃算法在生物序列分析中是一個比